随着信息社会的快速发展和科学技术的不断进步,人脸识别技术作为常见的几种生物识别技术之一,由于具有非侵入性、独特性和难以复制的特点,被广泛的应用在信息安全、身份验证和系统监控等各个领域当中。近年来,人脸识别技术的理论研究和实际应用都取得了长足的发展,各类算法层出不穷,且识别精度越来越高,然而大部分算法对人脸出现光照变化、表情变化、遮挡等干扰因素非常敏感,而在众多的干扰因素当中,在获取图像的过程中由于相机与物体之间的相对运动而造成的运动模糊是最常见的因素之一,因此有必要改进现有的人脸识别算法以增强其对运动模糊图像识别的鲁棒性。在现有的人脸识别方法中,虽然基于稀疏表示的人脸识别算法对运动模糊图像的识别具有鲁棒性,但是这种鲁棒性仅限于模糊程度不高的情况下,而当模糊程度上升到一定程度时,这类算法也会出现识别率急剧下降的情况。针对上述问题,本文在稀疏表示理论的框架下,以基于稀疏表示的人脸识别算法为基础,提出了一种对运动模糊人脸图像的识别具有更好鲁棒性的算法。该算法在初始化时提取清晰训练样本的方向梯度直方图特征作为字典的原子,将得到的字典作为清晰字典和模糊字典的初始字典。在识别阶段采用分而治之的思想,首先对输入的测试图像进行模糊检测,然后根据模糊检测的结果做出相应的处理。对于清晰的测试图像,算法在清晰字典上进行稀疏系数求解,最后将测试图像判给重构残差最小的那一类;而对于模糊的测试图像,算法首先在模糊字典上进行稀疏系数求解,然后计算该系数的稀疏性集中指数值,当该值小于指定阈值时,会对测试图像的模糊参数进行估计,然后根据估计出的参数值对训练样本进行模糊化处理,之后利用这些样本重新训练字典,最后在新的字典上进行稀疏系数的求解和重构残差的计算。在完成算法的设计和实现后,分别利用扩展的Yale B人脸数据库、ORL人脸数据库以及自制的人脸数据集对算法进行多维度的实验验证。实验结果证明了该改进算法的有效性。